KR102440442B1 - Vehicle battery life prediction system using vehicle time series data and method thereof - Google Patents
Vehicle battery life prediction system using vehicle time series data and method thereof Download PDFInfo
- Publication number
- KR102440442B1 KR102440442B1 KR1020200091415A KR20200091415A KR102440442B1 KR 102440442 B1 KR102440442 B1 KR 102440442B1 KR 1020200091415 A KR1020200091415 A KR 1020200091415A KR 20200091415 A KR20200091415 A KR 20200091415A KR 102440442 B1 KR102440442 B1 KR 102440442B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- unit
- cluster
- prediction
- learning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Transportation (AREA)
- Sustainable Energy (AREA)
- Computing Systems (AREA)
- Sustainable Development (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
본 발명은 하이브리드 자동차, 전기 자동차 등과 같이 배터리를 사용하는 전기 차량의 배터리 수명 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 차량의 운행에 따른 차량 배터리의 초기부터 수명 종료 시까지의 전 사이클에 대한 시계열 데이터를 이용하여 학습을 수행한 인공지능 모델을 생성한 후 실시간 검출되는 신규 운전 데이터를 상기 인공지능 모델에 적용하여 전기 차량의 배터리의 수명을 정확하고 빠르게 예측하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법에 관한 것이다.The present invention relates to a battery life prediction system and method for an electric vehicle using a battery, such as a hybrid vehicle or an electric vehicle, and more particularly, a time series for the entire cycle from the initial period to the end of the life of the vehicle battery according to the operation of the vehicle Vehicle battery life prediction using vehicle time series data that accurately and quickly predicts the battery life of an electric vehicle by applying new driving data detected in real time to the AI model after creating an AI model that has been trained using data systems and methods.
Description
본 발명은 하이브리드 자동차, 전기 자동차 등과 같이 배터리를 사용하는 전기 차량의 배터리 수명 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 차량의 운행에 따른 차량 배터리의 초기부터 수명 종료 시까지의 전 사이클에 대한 시계열 데이터를 이용하여 학습을 수행한 인공지능 모델을 생성한 후 실시간 검출되는 신규 운전 데이터를 상기 인공지능 모델에 적용하여 전기 차량의 배터리의 수명을 정확하고 빠르게 예측하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법에 관한 것이다.The present invention relates to a battery life prediction system and method for an electric vehicle using a battery, such as a hybrid vehicle or an electric vehicle, and more particularly, a time series for the entire cycle from the initial period to the end of the life of the vehicle battery according to the operation of the vehicle Vehicle battery life prediction using vehicle time series data that accurately and quickly predicts the battery life of an electric vehicle by applying new driving data detected in real time to the AI model after creating an AI model that has been trained using data systems and methods.
일반적으로, 화석연료를 사용하는 가솔린, 디젤 등의 엔진 차량은 배기가스로 인한 환경오염, 이산화탄소로 인한 지구온난화, 오존 생성 등으로 인한 호흡기 질환 유발, 연료 고갈 등의 여러 문제점을 일으키고 있다.In general, engine vehicles such as gasoline and diesel using fossil fuels cause various problems such as environmental pollution due to exhaust gas, global warming due to carbon dioxide, respiratory disease caused by ozone generation, and fuel exhaustion.
이러한 문제점을 해결하기 위해 배터리를 동력원으로 사용하고 구동모터를 구동원으로 사용하여 주행하는 순수 전기자동차(Electric Vehicle, EV), 엔진과 구동모터를 구동원으로 사용하여 주행하는 하이브리드 자동차(Hybrid Electric Vehicle. HEV) 등의 친환경 전기 자동차가 개발되어 상용화되고 있으며, 세계적인 전기자동차 확산정책으로 상기 전기 자동차의 시장규모는 더욱 커질 것으로 예상된다.To solve these problems, a pure electric vehicle (EV) that uses a battery as a power source and a driving motor as a driving source, and a hybrid electric vehicle (HEV) that runs using an engine and a driving motor as a driving source ), etc., have been developed and commercialized, and the market size of the electric vehicle is expected to grow further due to the global electric vehicle diffusion policy.
이러한 전기 자동차에서는 고에너지/고전력밀도 및 장수명의 장점이 있는 리튬이온 배터리 등의 배터리가 사용된다.In such an electric vehicle, a battery such as a lithium ion battery having advantages of high energy/high power density and long life is used.
그렇지만 급속충전 및 다양한 전류 크기로 충전과 방전이 빈번하게 반복되는 전류 프로파일의 특성상 리튬이온 배터리의 열화는 불가피하며, 이로 인한 배터리의 전기화학적 특성의 변화, 즉 방전용량의 감소 및 내부저항의 증가가 야기된다. 열화로 인한 전기화학적 특성변화는 전반적인 전기자동차의 성능을 저하(출력저하 및 열폭주로 인한 안전성의 문제 등)시키는 만큼 리튬이온 배터리의 열화 상태를 효율적으로 모니터링하기 위해 배터리 관리 시스템(Battery Management System: BMS)을 적용하며, 특히 열화상태의 지표로 사용되는 수명상태(State-of-health: SOH)의 정확한 추정 및 예측이 요구된다.However, due to the characteristics of rapid charging and the characteristics of the current profile in which charging and discharging are frequently repeated with various current sizes, deterioration of the lithium-ion battery is inevitable, resulting in changes in the electrochemical characteristics of the battery, that is, reduction in discharge capacity and increase in internal resistance. caused The battery management system (Battery Management System: BMS) is applied, and in particular, accurate estimation and prediction of state-of-health (SOH), which is used as an indicator of deterioration state, is required.
하지만 전기자동차에 사용되는 배터리의 열화는 외부환경 및 사용조건 등과 같은 다양한 영향의 상호작용으로 발생하며, 열화에 따른 리튬이온 배터리의 내부 전기화학적 변화의 직접 측정의 어려움과 비선형성으로 예측이 쉽지 않은 문제점이 있다.However, deterioration of batteries used in electric vehicles occurs due to the interaction of various influences such as external environment and usage conditions, and it is difficult to predict due to the difficulty and non-linearity of direct measurement of internal electrochemical changes of lithium-ion batteries due to deterioration. There is a problem.
이러한 문제점을 해결하기 위해 대한민국 등록특허 제10-1944313호(2019.02.01.공고) [배터리의 수명예측장치](이하 "특허문헌 1"이라 함)은 수명모델에 입력되는 인자를 적용하여 수명을 예측하여 제1예측값을 출력하는 수명모델 예측부, 전류전식 기반의 수식을 이용하여 수명을 예측하여 제2예측값을 출력하는 실시간 수명 계산부 및 상기 제1예측값과 제2예측값을 비교하여 그 차이에 의해 배터리의 수명을 예측하는 비교 예측부를 포함하는 배터리의 수명예측장치를 개시한다.In order to solve this problem, Republic of Korea Patent Registration No. 10-1944313 (2019.02.01. Announcement) [A device for predicting lifespan of a battery] (hereinafter referred to as "Patent Document 1") applies factors input to the life model to extend the lifespan. A life model predictor that predicts and outputs the first predicted value, a real-time life calculator that predicts the lifespan using an electric current-based formula and outputs a second predicted value, and compares the first predicted value with the second predicted value to determine the difference Disclosed is an apparatus for predicting the life of a battery including a comparison predictor for predicting the life of the battery by
그러나 상술한 특허문헌 1은 수명 모델 및 수식을 기반으로 이중으로 예측값을 계산하여 정확성을 높일 수 있기는 하나, 수명 모델에 의한 제1예측값 및 수학식 기반의 제2예측값을 계산한 후 상호 비교하여야 하므로 많은 시간이 소요되는 문제점이 있다.However, in Patent Document 1 described above, although it is possible to increase the accuracy by calculating the predicted value double based on the life model and the formula, the first predicted value by the life model and the second predicted value based on the formula are calculated and then compared with each other. Therefore, there is a problem that takes a lot of time.
또한, 상기 특허문헌 1은 적용되는 수명 모델에 대한 갱신 없이 고정적으로 적용되므로 수명 모델이 잘못 적용되었을 경우 지속적으로 잘못된 예측값을 출력할 수 있는 문제점이 있었다.In addition, since Patent Document 1 is fixedly applied without updating the applied life model, when the life model is incorrectly applied, there is a problem in that an erroneous predicted value can be continuously output.
또한, 특허문헌 1은 상기 수명 모델이 어떤 데이터에 근거한 모델인지 알 수 없으며, 이로부터 외부환경 및 사용조건 등과 같은 다양한 상호영향이 반영되어 있지 않아 그 수명예측값의 신뢰도가 떨어질 수 있는 문제점이 있었다.In addition, in Patent Document 1, it is not possible to know which data the life model is based on, and various mutual influences such as external environment and usage conditions are not reflected therefrom, so that the reliability of the life expectancy value may be lowered.
따라서 외부환경 및 사용조건 등과 같은 다양한 상호영향이 반영된 차량 시계열 데이터를 적용하여 차량 배터리의 수명을 예측할 수 있는 시스템의 개발이 요구되고 있다.Therefore, there is a demand for the development of a system capable of predicting the lifespan of a vehicle battery by applying vehicle time series data reflecting various mutual influences such as external environment and usage conditions.
따라서 본 발명의 목적은 차량의 운행에 따른 차량 배터리의 초기부터 수명 종료 시까지의 전 사이클에 대한 시계열 데이터를 이용하여 학습을 수행한 인공지능 모델을 생성한 후 실시간 검출되는 신규 운전 데이터를 상기 인공지능 모델에 적용하여 전기 차량의 배터리의 수명을 정확하고 빠르게 예측하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법을 제공함에 있다.Therefore, it is an object of the present invention to generate an artificial intelligence model that has been trained using time series data for the entire cycle from the beginning of the vehicle battery to the end of life according to the operation of the vehicle, and then use the new driving data detected in real time as the artificial intelligence An object of the present invention is to provide a vehicle battery life prediction system and method using vehicle time series data that accurately and quickly predicts the battery life of an electric vehicle by applying it to a model.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템은: 차량의 주행에 따른 사이클별 시계열 데이터 세트를 저장하는 시계열 데이터 DB; 학습된 수명예측 인공지능 모델을 저장하는 수명예측 모델 DB; 상기 시계열 데이터 DB로부터 상기 시계열 데이터 세트를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 상기 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 상기 수명예측 모델 DB에 저장하는 학습부; 차량으로부터 실시간 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득부; 및 상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리, 상기 학습부에서 선택된 군집에 대응하는 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측부를 포함하는 것을 특징으로 한다.A vehicle battery life prediction system using vehicle time series data according to the present invention for achieving the above object includes: a time series data DB for storing time series data sets for each cycle according to driving of a vehicle; Life prediction model DB that stores the learned life prediction artificial intelligence model; After loading the time series data set from the time series data DB, pre-processing and clustering are performed. Among a plurality of clusters generated by clustering, the amount of data per cycle is large, the number of data in the cluster is large compared to the total number of data, and data for each cycle is included. a learning unit that selects at least one or more clusters, applies the selected cluster to the life prediction AI model to learn, and then stores the learned life prediction AI model in the life prediction model DB; a driving data acquisition unit for acquiring and outputting driving data, which is real-time time series data, from a vehicle; and pre-processing by receiving driving data from the driving data acquisition unit, filtering only driving data corresponding to the cluster selected by the learning unit, and then applying the learned life prediction artificial intelligence model to predict the battery life of the vehicle. It is characterized by including wealth.
상기 학습부는, 상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할부; 상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 가지는 분할 웨이블릿 데이터로 변환하여 출력하는 군집 가공부; 상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집들을 생성하는 군집화부; 상기 군집화부에서 생성된 다수의 군집들 중 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 출력하는 최적 군집 선택부; 상기 선택된 군집 데이터 분할 웨이블릿 데이터와 상기 분할 웨이블릿 데이터로부터 추출된 통계 데이터를 포함하는 학습 데이터를 출력하는 학습 가공부; 및 상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습부를 포함하는 것을 특징으로 한다.The learning unit may include: a data division unit for receiving the time series data and outputting divided time series data that is cut and divided into a size of a unit of a predetermined time interval; a cluster processing unit that converts the divided time series data into divided wavelet data having frequency domain and time domain information by performing wavelet transformation as the preprocessing unit to output the converted wavelet data; a clustering unit that clusters the divided wavelet data output from the cluster processing unit to generate a plurality of clustered clusters; an optimal cluster selector for selecting at least one or more clusters having a large amount of data among the plurality of clusters generated by the clustering unit and having a large number of data in the cluster compared to the total number of data, selecting at least one cluster including data for each cycle, and outputting the selected cluster; a learning processing unit for outputting learning data including the selected cluster data segmentation wavelet data and statistical data extracted from the segmentation wavelet data; and an ensemble learning unit for learning by applying the learning data to the ensemble method of life prediction AI model, and storing the learned life prediction AI model in the life prediction model DB.
상기 최적 군집 선택부는, 선택된 군집을 일정 비유로 나누어 제1부분과 제2부분으로 나누고, 상기 제1 부분을 학습 가공부로 출력하고, 상기 학습부는, 상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치여부를 판단하고, 상기 일치여부 판단에 따른 상기 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 상기 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증부를 더 포함하되, 상기 최적 군집 선택부는, 상기 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 것을 특징으로 한다.The optimal cluster selector divides the selected cluster by a predetermined analogy, divides it into a first part and a second part, outputs the first part to a learning processing unit, and the learning unit, the second part divided by the optimal cluster selector receives the divided wavelet data of , and applies it to the life prediction artificial intelligence model learned in the ensemble method to calculate a life expectancy value, compares the calculated life prediction value with the predicted life expectancy value known in advance for the wavelet data of the second part, and matches After determining whether or not the match rate for the entire wavelet data according to the match determination is equal to or greater than a preset reference match rate, an authentication failure signal is selected as the optimal cluster if the match rate is less than or equal to a preset standard match rate Further comprising a prediction verification unit outputting a negative, wherein the optimal cluster selection unit is characterized in that when the input of the authentication failure signal to change at least some of the selected clusters.
상기 수명 예측부는, 상기 운전 데이터를 입력받아 상기 일정 시간 단위의 크기를 가지는 윈도우 단위로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할부; 상기 분할 운전 데이터를 웨이블릿 변환을 수행한 분할 운전 웨이블릿 데이터를 생성한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링부; 및 필터링된 상기 분할 운전 웨이블릿 데이터를 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측부를 포함하는 것을 특징으로 한다.The life prediction unit may include: a driving data division unit configured to receive the driving data and output divided driving data cut by a window having a size of the predetermined time unit; a filtering unit that generates segmented driving wavelet data obtained by performing wavelet transformation on the segmented driving data, then filters and outputs only segmented driving wavelet data corresponding to a cluster selected by the optimal cluster selector and applied to learning; and a prediction unit for outputting a prediction result on the lifespan of a vehicle battery by applying the filtered segmented driving wavelet data to the learned lifespan prediction artificial intelligence model.
상기 군집 가공부는, 웨이블릿 직교(Wavelet bior1.5)를 적용하여 웨이블릿 변환을 수행하는 것을 특징으로 한다.The cluster processing unit is characterized in that wavelet transformation is performed by applying wavelet orthogonal (Wavelet bior1.5).
상기 군집화부는 DBSCAN(Density-Based Spacial Clustering of Application with Noise)를 적용하여 밀도 기반의 클러스터링을 수행하여 상기 군집을 추출하는 것을 특징으로 한다.The clustering unit extracts the cluster by performing density-based clustering by applying a density-based spatial clustering of application with noise (DBSCAN).
상기와 같은 목적을 달성하기 위한 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법은: 학습부가 시계열 데이터 DB로부터 미리 저장되어 있는 시계열 데이터를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집들 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 수명예측 모델 DB에 저장하는 학습 과정; 운전 데이터 획득부가 차량으로부터 실시간 사이클에 따른 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득 과정; 및 수명 예측부가 상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리를 수행하고, 상기 학습부에서 선택된 군집에 대응하는 전처리된 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측 과정을 포함하는 것을 특징으로 한다.A vehicle battery life prediction method using vehicle time series data according to the present invention for achieving the above object is: After the learning unit loads the time series data stored in advance from the time series data DB, preprocessing and clustering, and generating by clustering Among the multiple clusters that have been created, the amount of data per cycle is large and the number of data in the cluster is large compared to the total number of data. Then, a learning process of storing the learned life prediction artificial intelligence model in the life prediction model DB; a driving data acquisition process in which the driving data acquisition unit acquires and outputs driving data that is time series data according to a real-time cycle from the vehicle; and a life prediction unit receives driving data from the driving data acquisition unit, performs preprocessing, filters only the preprocessed driving data corresponding to the cluster selected by the learning unit, and applies it to the learned lifespan prediction artificial intelligence model to the vehicle It is characterized in that it includes a life prediction process of predicting the battery life of the.
상기 학습 과정은, 상기 학습부가 데이터 분할부를 통해 상기 전처리로서 상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기를 가지는 윈도우로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할 단계; 상기 학습부가 군집 가공부를 통해 상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 포함하는 분할 웨이블릿 데이터를 출력하는 군집 가공 단계; 상기 학습부가 군집화부를 통해 상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집을 생성하는 군집화 단계; 상기 학습부가 최적 군집 선택부를 통해 상기 군집화부에서 생성된 다수의 군집 중 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집의 변환 웨이블릿 데이터를 출력하는 최적 군집 선택 단계; 상기 학습부가 학습 가공부를 통해 상기 선택된 군집의 분할 웨이블릿 데이터에 대한 통계 데이터를 생성하고, 상기 통계 데이터와 상기 분할 웨이블릿 데이터를 포함하는 학습 데이터를 출력하는 학습 가공 단계; 및 상기 학습부가 앙상블 학습부를 통해 상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습 단계를 포함하는 것을 특징으로 한다.The learning process may include: a data division step of the learning unit receiving the time series data as the preprocessing through the data division unit, and outputting divided time series data divided into windows having a size of a predetermined time interval unit; a cluster processing step in which the learning unit performs wavelet transformation on the divided time series data as the preprocessing through the cluster processing unit to output divided wavelet data including frequency domain and time domain information; a clustering step in which the learning unit clusters the divided wavelet data output from the cluster processing unit through the clustering unit to generate a plurality of clustered clusters; The learning unit selects at least one or more clusters including the data for each cycle, the amount of data being large among the plurality of clusters generated by the clustering unit and the number of data in the cluster compared to the total number of data, including data for each cycle through the optimal cluster selection unit, an optimal cluster selection step of outputting transformed wavelet data of the cluster; a learning processing step of generating, by the learning unit, statistical data for the segmented wavelet data of the selected cluster through the learning processing unit, and outputting learning data including the statistical data and the segmented wavelet data; and an ensemble learning step of applying the learning data to the lifespan prediction AI model of the ensemble method by the learning unit through the ensemble learning unit and learning, and storing the learned lifespan prediction AI model in the life prediction model DB characterized.
상기 최적 군집 선택 단계는, 학습부가 최적 군집 선택부를 통해 최적의 군집을 선택하는 선택 단계; 선택된 군집을 일정 비유로 나누어 제1부분 및 제2 부분으로 나누는 분리 단계; 상기 제1 부분의 분할 웨이블릿 데이터는 학습 가공부로 출력하고, 제2 부분의 분할 웨이블릿 데이터는 예측 검증부로 출력하는 출력 단계; 및 상기 학습부가 상기 최적 군집 선택부를 통해 상기 예측 검증부로부터 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 선택 군집 변경 단계를 포함하되, 상기 학습 과정은, 상기 학습부가 예측 검출부를 통해 상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치 여부를 판단하고, 상기 일치여부 판단에 따른 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증 단계를 더 포함하는 것을 특징으로 한다.The optimal cluster selection step may include: a selection step in which the learning unit selects an optimal cluster through an optimal cluster selection unit; a separation step of dividing the selected cluster into a first portion and a second portion by a predetermined analogy; an output step of outputting the divided wavelet data of the first part to the learning processing unit and outputting the divided wavelet data of the second part to the prediction verification unit; and a selection cluster change step in which the learning unit changes at least some of the clusters selected when an authentication failure signal is input from the prediction verification unit through the optimal cluster selection unit, wherein the learning process includes the learning unit using the prediction detection unit. The second part of the divided wavelet data divided by the optimal cluster selector is received and applied to the life prediction artificial intelligence model learned in the ensemble method to calculate a life expectancy value, and the calculated life expectancy value and the wavelet data of the second part After determining whether or not the match is determined by comparing the predicted life expectancy value for The method further comprises a prediction verification step of outputting a back-side authentication failure signal to the optimal cluster selector.
상기 수명 예측 과정은, 상기 수명 예측부가 운전 데이터 분할부를 통해 상기 운전 데이터를 입력받아 상기 일정 시간 단위 크기를 가지는 윈도우로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할 단계; 상기 수명 예측부가 필터링부를 통해 상기 분할 운전 데이터를 웨이블릿 변환을 수행한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링 단계; 및 상기 수명 예측부가 상기 필터링부를 통해 필터링된 상기 분할 웨이블릿 운전 데이터를 예측부를 통해 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측 단계를 포함하는 것을 특징으로 한다.The life prediction process may include: a driving data dividing step in which the life prediction unit receives the driving data through the driving data divider and outputs divided driving data cut into a window having a predetermined time unit size; a filtering step of filtering and outputting only the segmented driving wavelet data corresponding to the cluster selected by the optimal cluster selector and applied to learning after the life prediction unit performs wavelet transformation on the segmented driving data through the filtering unit; and a prediction step of outputting a prediction result for the life of the vehicle battery by applying the divided wavelet driving data filtered through the filtering unit to the life prediction artificial intelligence model learned through the prediction unit by the life prediction unit do.
본 발명은 차량의 실제 운행에 따라 차량 배터리의 초기 적용 시부터 배터리 수명이 다할 때까지의 전 사이클에 대해 획득되는 시계열 데이터 세트에 의해 학습시킨 인공지능 모델에 실시간 획득되는 운전 데이터를 적용하여 차량 배터리의 수명을 예측하므로 다양한 도로 주행 상황에 대해 보다 빠르고 정확하게 차량 배터리의 수명을 예측할 수 있는 효과가 있다.The present invention applies driving data obtained in real time to an artificial intelligence model learned by a time series data set obtained for the entire cycle from the initial application of the vehicle battery to the end of the battery life according to the actual operation of the vehicle. As it predicts the lifespan of the vehicle battery, it has the effect of predicting the lifespan of the vehicle battery more quickly and accurately for various road driving conditions.
또한, 본 발명은 상기 시계열 데이터 세트를 전처리하여 획득된 다수의 군집 중 최적의 군집을 선택 적용하여 인공지능 모델을 생성하므로 차량의 배터리 수명을 더 정확하게 예측할 수 있는 효과가 있다.In addition, since the present invention generates an artificial intelligence model by selecting and applying an optimal cluster among a plurality of clusters obtained by preprocessing the time series data set, it is possible to more accurately predict the battery life of the vehicle.
또한, 본 발명은 선택된 군집의 일부 데이터를 이용하여 상기 인공지능 모델에서 예측된 예측값을 검증한 후 검증에 실패하면 상기 선택된 군집 중 일부 이상을 변경하여 학습된 인공지능 모델을 재생성하므로 보다 정확한 인공지능 모델을 적용하여 차량의 배터리 수명을 보다 정확하게 예측할 수 있는 효과가 있다.In addition, the present invention uses some data of the selected cluster to verify the predicted value predicted in the artificial intelligence model and then, if the verification fails, change at least some of the selected cluster to regenerate the learned artificial intelligence model, so more accurate artificial intelligence By applying the model, it has the effect of more accurately predicting the battery life of a vehicle.
도 1은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 학습부의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 수명 예측부의 구성을 나타낸 도면이다.
도 4는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법을 나타낸 흐름도이다.
도 5는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델 생성 방법을 나타낸 흐름도이다.
도 6은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델을 이용한 수명 예측 방법을 나타낸 흐름도이다.1 is a diagram showing the configuration of a vehicle battery life prediction system using vehicle time series data according to the present invention.
2 is a diagram illustrating the configuration of a learning unit of a vehicle battery life prediction system using vehicle time series data according to the present invention.
3 is a diagram illustrating a configuration of a life prediction unit of a vehicle battery life prediction system using vehicle time series data according to the present invention.
4 is a flowchart illustrating a vehicle battery life prediction method using vehicle time series data according to the present invention.
5 is a flowchart illustrating an artificial intelligence model generation method among the vehicle battery life prediction methods using vehicle time series data according to the present invention.
6 is a flowchart illustrating a lifespan prediction method using an artificial intelligence model among the vehicle battery life prediction methods using vehicle time series data according to the present invention.
이하 첨부된 도면을 참조하여 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 구성 및 동작을 상세히 설명하고, 상기 시스템에서의 차량 배터리 수명 예측 방법을 설명한다.Hereinafter, the configuration and operation of a vehicle battery life prediction system using vehicle time series data according to the present invention will be described in detail with reference to the accompanying drawings, and a vehicle battery life prediction method in the system will be described.
도 1은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 구성을 나타낸 도면이다.1 is a diagram showing the configuration of a vehicle battery life prediction system using vehicle time series data according to the present invention.
본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템은 시계열 데이터 DB(10), 학습부(20), 수명 예측 모델 DB(30), 운전 데이터 획득부(40) 및 수명 예측부(50)를 포함한다.The vehicle battery life prediction system using vehicle time series data according to the present invention includes a time series data DB (10), a learning unit (20), a life prediction model DB (30), a driving data acquisition unit (40), and a life prediction unit (50) includes
상기 시계열 데이터 DB(10)는 차량의 주행에 따른 사이클별 시계열 데이터 세트를 저장한다. 상기 차량의 주행에 따른 차량 배터리의 초기 시부터 수명이 다할 때까지의 전 사이클에 대한 사이클별 시계열 데이터 세트는 도시 동력계 사이클(Urban Dynamometer Driving Schedule: UDDS), 고속도로 동력계 사이클(The Highway Fuel Economy Driving Schedule: HWFET) 등의 프로파일의 배터리 셀 전압, 셀 전류, 실시간 주행거리, 배터리 전력 소비량, 최고 속도, 에너지 소비효율, 연비 데이터 중 어느 하나 이상일 수 있으며, 배터리 셀 전압 및 셀 전류 중 어느 하나 이상인 것이 바람직할 것이다. 상기 시계열 데이터 세트는 차량의 주행에 따른 사이클별 데이터마다 배터리 잔여수명 데이터, 즉 사이클 정보를 가지고 있을 것이다. 상기 사이클 정보에 의해 배터리 잔여 수명을 예측할 수 있을 것이다.The time
상기 학습부(20)는 상기 시계열 데이터 DB(10)로부터 상기 시계열 데이터를 로드한 후, 전처리를 수행, 즉 가공하여 클러스터링하며, 클러스터링된 다수의 군집들 중 데이터가 많고 사이클별 데이터가 고르게 분포된 군집을 적어도 하나 이상을 선택하고, 선택된 군집을 상기 수명예측 인공지능 모델에 적용하여 학습시킨 후 상기 수명예측 모델 DB(30)에 저장한다.The
상기 수명예측 인공지능 모델은 인공지능 학습 방법 중 하나인 앙상블(Ensenble) 방법이 적용되며, 앙상블 방법을 수행하는 알고리즘 중 XGBoost 알고리즘이 적용되는 것이 바람직할 것이다. 상기 학습부(20)의 상세 구성 및 동작은 다음의 도 2를 참조하여 상세히 설명한다.As for the life prediction AI model, the Ensenble method, which is one of the AI learning methods, is applied, and it is preferable that the XGBoost algorithm is applied among the algorithms for performing the ensemble method. The detailed configuration and operation of the
운전 데이터 획득부(40)는 운전 데이터 획득 이벤트의 발생 시 차량의 차체제어모듈(Body Control Module: BCM), 배터리 관리 시스템(Battery Management System: BMS) 등과 같은 차량 시스템으로부터 상기 시계열 데이터 DB(10)에 저장된 시계열 데이터 세트의 데이터에 대응하는 데이터를 포함하는 운전 데이터를 획득하여 출력한다. 상기 운전 데이터 획득 이벤트는 차량의 시동 시 일정 시간 주기로 발생될 수도 있고, 운전자 등의 차량 내 구비된 수명 예측 버튼의 클릭 시 발생될 수도 있을 것이다.The driving
상기 운전 데이터는 차량 배터리로부터 실시간 획득되는 셀 전압, 셀 전류, 실시간 주행거리, 배터리 전력 소비량, 최고 속도, 에너지 소비 효율, 연비 중 어느 하나 이상일 수 있으며, 배터리 전압 및 셀 전류 중 어느 하나 이상인 것이 바람직할 것이다.The driving data may be any one or more of cell voltage, cell current, real-time mileage, battery power consumption, maximum speed, energy consumption efficiency, and fuel efficiency obtained from a vehicle battery in real time, and preferably at least one of battery voltage and cell current. something to do.
수명 예측부(50)는 상기 운전 데이터 획득부(40)로부터 입력되는 운전 데이터 중 상기 선택된 군집에 대응하는 운전 데이터를 추출하여 상기 수명 예측 인공지능 모델에 적용하여 상기 운전 데이터에 대한 차량 배터리의 수명 예측 결과를 출력한다. 상기 수명 예측 결과는 상기 운전 데이터에 대한 사이클 정보일 수도 있고, 배터리 수명의 전체 사이클에 대한 상기 사이클 정보의 사이클에 대응하는 잔여 수명일 수도 있을 것이다. The
도 2는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 학습부의 구성을 나타낸 도면이다.2 is a diagram illustrating the configuration of a learning unit of a vehicle battery life prediction system using vehicle time series data according to the present invention.
학습부(20)는 데이터 분할부(21), 군집 가공부(22), 군집화부(23), 최적 군집 선택부(24), 학습 가공부(25) 및 앙상블 학습부(26)를 포함하고, 실시예에 따라 예측 검증부(27)를 더 포함할 수 있을 것이다.The
데이터 분할부(21)는 로드되는 시계열 데이터를 일정 시간 단위의 크기를 가지는 윈도우를 일정 시간 단위로 이동시키면서 잘라 분할된 분할 시계열 데이터를 출력한다. 상기 윈도우의 크기는 일 예로 128비트일 수 있으며, 1비트 단위로 이동하면서 상기 시계열 데이터를 분할하도록 구성될 수 있을 것이다.The
군집 가공부(22)는 상기 분할 시계열 데이터를 웨이블릿 변환하여 시계열 정보 및 주파수 정보 둘 모두를 포함하는 분할 웨이블릿 데이터를 생성한다. 생성된 분할 웨이블릿 데이터는 군집화부(23)로 입력한다. 상기 웨이블릿 변환 방식으로는 Wavelet bior1.3, wavelet coiflet 15 등 중 어느 하나가 적용될 수 있을 것이다.The
군집화부(23)는 상기 분할 웨이블릿 데이터들을 클러스터링하여 다수의 군집을 생성한다. 상기 클러스터링 방법으로는 데이터가 밀집한 정도, 즉 밀도에 의해 데이터를 군집화는 디비스캔(Density-Based Spatial Clustering of Application with Noise: DBSCAN) 알고리즘 방식이 적용될 수 있으며, 비트 단위로 군집화될 수 있을 것이다.The
최적 군집 선택부(24)는 상기 군집화부(23)에서 생성된 다수의 군집 중에서 미리 설정된 조건을 만족하는 최적의 군집을 선택하여 출력한다. 상기 조건은 군집 내 데이터가 충분히 많아야 하고, 각 사이클별 데이터가 일정 범위 내에서 고르게 존재하는 조건일 수 있을 것이다. 즉, 최적 군집 선택부(24)는 (군집내 데이터수)/(전체 데이터수)의 값이 크고, 사이클별로 미리 설정된 데이터 수 이상의 데이터 수를 포함하고 있는 적어도 하나 이상의 군집을 선택하여 출력할 수 있을 것이다. 상기 선택되는 군집은 하나인 것이 바람직할 것이다.The
상기 최적 군집 선택부(24)는 선택된 군집 중 일정 비율(예: 8:2)로 훈련 세트와 검증 세트로 나누어 훈련 세트의 군집을 학습 가공부(25)로 출력하도록 구성될 수도 있을 것이다. 또, 상기 훈련 세트는 일정 비율로 훈련 세트 및 테스트 세트로 나뉘고 상기 훈련 세트만 학습 가공부(25)로 출력하도록 구성될 수도 있을 것이다.The
또한, 선택된 군집이 하나인 경우 군집 내의 분할 웨이블릿 데이터를 일정 비율로 훈련 세트와 검증 세트로 나누고, 훈련 세트를 일정 비율로 훈련 세트 및 테스트 세트로 나누도록 구성될 수 있을 것이다.In addition, when there is only one selected cluster, it may be configured to divide the split wavelet data in the cluster into a training set and a validation set at a certain ratio, and divide the training set into a training set and a test set at a certain ratio.
또한 다른 실시예로 최적 군집 선택부(24)는 상기 (군집내 데이터수)/(전체 데이터수)의 값 및 사이클별로 미리 설정된 데이터 수가 높고, 서로 다른 사이클에 대한 데이터가 많은(즉 서로 다른 사이클 정보가 많은) 상위 일정 개수의 군집을 선택하도록 구성될 수도 있을 것이다.In another embodiment, the
학습 가공부(25)는 각 군집별 분할 웨이블릿 데이터에 대한 통계 데이터를 추출하고, 추출된 통계 데이터 및 상기 분할 웨이블릿 데이터를 포함하는 학습 데이터를 출력한다. 상기 통계 데이터는 분할 웨이블릿 데이터를 엔트로피(Entropy) 방식에 적용하여 획득할 수 있는 엔트로피 데이터, 중앙값(Median) 방식에 적용하여 획득될 수 있는 중앙값 데이터 등 중 어느 하나 일상일 수 있을 것이다.The
앙상블 학습부(26)는 수명 예측 인공지능모델이 구동되고 있으며, 학습 가공부(25)로부터 입력되는 학습 데이터를 입력받아 수명 예측 인공지능 모델에 적용하여 학습을 수행하고, 학습된 수명 예측 인공지능 모델을 수명예측 모델 DB(30)에 저장한다. 상기 수명 예측 인공지능 모델은 앙상블 인공지능 모델로, XGBoost 알고리즘 등이 될 수 있을 것이다.The
예측 검증부(27)는 상기 검증 세트를 앙상블 학습부(26)에서 학습된 수명예측 모델에 적용하여 수명 예측결과를 생성하고, 생성된 수명 예측결과와 시계열 데이터에 미리 포함되어 있는 상기 검증 세트의 사이클별 수명, 즉 사이클 정보와 비교하여 일치 여부를 판단하고, 상기 검증 세트에 대한 일치 여부에 따른 일치율이 미리 설정된 기준 일치율 이상이면 검증에 성공한 것으로 판단하고, 이하면 검증 실패로 판단한다.The
검증 실패 시 예측 검증부(27)는 검증 실패 신호를 최적 군집 선택부(24)로 출력한다.When the verification fails, the
최적 군집 선택부(24)는 예측 검증부(27)로부터 검증 실패 신호가 입력되면 상기 선택된 군집들의 일부를 순차적으로 변경하거나 전체를 변경한다. 이하 일부 또는 전체를 변경하는 것을 일부 이상 변경이라는 용어를 사용한다.When a verification failure signal is input from the
이후 학습 가공부(25)를 거친 학습데이터를 앙상불 학습부(26)에서 재학습을 수행하여 상기 수명 예측 인공지능 모델을 갱신할 것이다. Thereafter, the learning data passed through the
도 3은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 수명 예측부의 구성을 나타낸 도면이다.3 is a diagram illustrating a configuration of a life prediction unit of a vehicle battery life prediction system using vehicle time series data according to the present invention.
수명 예측부(50)는 운전 데이터 분할부(51), 필터링부(52) 및 예측부(53)를 포함한다.The
운전 데이터 분할부(51)는 운전 데이터 획득부(40)로부터 운전 데이터를 입력받고, 입력되는 운전 데이터를 일정 시간 단위, 상기 일정 시간 단위의 길이를 가지는 윈도우로 잘라 분할 운전 데이터를 상기 필터링부(52)로 출력한다.The driving
상기 필터링부(52)는 상기 운전 데이터 분할부(51)로부터 분할 운전 데이터를 입력받아 웨이블릿 변환을 수행하여 상기 분할 운전 데이터를 분할 웨이블릿 운전 데이터로 변환하고, 변환된 분할 운전 데이터 중 상기 학습부(20)에서 선택된 군집에 대응하는 분할 운전 데이터만을 필터링하여 예측부(53)로 출력한다.The
예측부(53)는 상기 필터링부(52)로부터 출력되는 분할 운전 데이터를 수명예측 모델 DB(30)에 저장된 수명 예측 인공지능 모델에 적용하여 예측 결과를 출력한다. 상기 예측 결과는 상술한 바와 같이 사이클 정보일 수도 있고, 차량의 배터리의 잔여 용량 정보가 될 수도 있을 것이다. 상기와 같이 학습 시 선택된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 빠르게 필터링하여 바로 수명 예측 인공지능 모델에 적용하므로 더욱 빠르게 수명을 예측할 수 있다.The
도 4는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법을 나타낸 흐름도이다.4 is a flowchart illustrating a vehicle battery life prediction method using vehicle time series data according to the present invention.
학습부(20)는 학습 이벤트가 발생되느지를 검사한다(S111). 상기 학습 이벤트는 일정 시간 주기로 발생할 수도 있고, 시계열 데이터 DB(10)에 시계열 데이터가 추가되는 경우에 발생될 수도 있으며, 외부 관리자에 의한 학습 명령의 입력 시 발생될 수도 있을 것이다.The
학습 이벤트가 발생되면 학습부(20)는 시계열 데이터 DB(10)로부터 시계열 데이터를 로드하여 획득한다(S113).When a learning event occurs, the
상기 학습부(20)는 상기 로드된 시계열 데이터를 앙상블 인공지능 모델에 적용하여 학습시켜, 학습된 앙상블 인공지능 모델을 생성하여 수명 예측 모델 DB(30)에 저장한다(S115).The
수명 예측부(50)는 수명 예측 이벤트가 발생되는지를 검사한다(S117). 상기 수명 예측 이벤트는 운전 데이터 획득부(40)로부터 운전 데이터의 입력 시 발생될 수도 있을 것이다.The
수명 예측부(50)는 수명 예측 이벤트가 발생되면 운전 데이터 획득부(40)로부터 운전 데이터를 입력받아 획득하고(S119), 상기 운전 데이터를 앙상블 인공지능 모델인 수명 예측 인공지능 모델에 적용하여 수명을 예측하여 예측 결과를 출력한다(S121). When a life prediction event occurs, the
도 5는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델 생성 방법을 나타낸 흐름도이다. 도 5를 참조하여 상기 도 4의 S115의 앙상블 인공지능 모델 생성 방법을 구체적으로 설명한다.5 is a flowchart illustrating an artificial intelligence model generation method among the vehicle battery life prediction methods using vehicle time series data according to the present invention. A method of generating an ensemble artificial intelligence model of S115 of FIG. 4 will be described in detail with reference to FIG. 5 .
학습부(20)는 획득된 시계열 데이터를 일정 시간 단위(일정 비트 단위, 예; 128비트)의 크기를 가지는 윈도우를 일정 시간 단위(예: 1비트 단위)로 이동하면서 분할하여 분할 시계열 데이터를 출력한다(S211). 일 예로, 상기 분할 시계열 데이터는 128비트로 구성될 수 있으며, 1비트씩 이동하는 경우, 인접 분할 시계열 데이터와 127비트가 동일할 것이다.The
학습부(20)는 분할된 상기 분할 시계열 데이터를 웨이블릿 변환하여 분할 웨이블릿 데이터를 출력하는 분할 시계열 데이터 전처리 과정을 수행한다(S213).The
학습부(20)는 분할 시계열 데이터가 생성되면 밀도 기반, 즉 디비스캔을 적용하여 클러스터링을 수행하여 일정 거리 인접하게 구성되고 미리 설정된 밀도를 가지는 시계열 데이터들을 포함하는 군집을 생성한다(S215).When the divided time series data is generated, the
다수의 군집이 생성되면 학습부(20)는 군집들 중 데이터 수가 많고, 군집 내에 각 사이블별 데이터가 고르게 분포하고 있는 조건을 만족하는 적어도 하나 이상의 최적 군집을 선택한다(S217).When a plurality of clusters are generated, the
최적의 군집이 선택되면 학습부(20)는 선택된 군집의 데이터를 훈련 세트, 검증 세트 및 테스트 세트로 나누는 전처리를 수행하고(S219), 상기 훈련 세트에 대한 통계 데이터를 생성하여 상기 훈련 세트에 부가한 학습 세트를 생성하는 학습 데이터 전처리 과정을 수행한다(S221).When the optimal cluster is selected, the
학습부(20)는 상기 학습 데이터가 생성되면 수명 예측 인공지능 모델에 상기 학습 데이터를 적용하여 학습을 수행하며, 학습된 수명 예측 인공지능 모델을 수명 예측 모델 DB(30)에 저장한다(S225).When the learning data is generated, the
학습된 수명 예측 인공지능 모델이 저장되면, 학습부(20)는 상기 검증 세트의 검증 데이터를 상기 학습된 수명 예측 인공지능 모델에 적용하여 예측 결과를 획득하고, 획득된 예측 결과와 상기 검증 데이터에 대해 미리 저장된 예측 수명, 즉 사이클 정보를 비교하여 일치도를 판단하고, 상기 검증 데이터 전체에 대한 일치율을 계산한 후, 계산된 일치율이 미리 설정된 기준 일치율을 초과하는지 미만인지를 검사하는 예측 검증을 수행하고(S227), 예측 검증의 성공 여부를 판단한다(S229). 예를 들어, 기준 일치율은 80%일 수 있으며, 학습부(20)는 상기 검증 데이터 전체에 대한 일치율이 80%를 초과하는 경우 검증에 성공한 것으로 판단할 수 있을 것이다. When the learned life prediction AI model is stored, the
학습부(20)는 검증 결과가 성공이면 종료하고, 실패이면 최적 군집을 변경한(S231) 후, 상술한 S219 이후의 과정을 반복 수행한다.If the verification result is successful, the
상기 학습부(20)는 예측 검증이 성공일 때까지 최적 군집을 변경하여 최적의 수명 예측 인공지능 모델을 생성할 것이다.The
도 6은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델을 이용한 수명 예측 방법을 나타낸 흐름도이다.6 is a flowchart illustrating a lifespan prediction method using an artificial intelligence model among the vehicle battery life prediction methods using vehicle time series data according to the present invention.
도 6을 참조하면, 수명 예측부(50)는 운전 데이터가 획득되면 획득되는 운전 데이터를 윈도우 단위로 분할하여 분할 운전 데이터를 생성한다(S311).Referring to FIG. 6 , when the driving data is acquired, the
분할 운전 데이터가 생성되면 수명 예측부(50)는 상기 분할 운전 데이터를 웨이블릿 변환하여 분할 운전 웨이블릿 데이터를 생성한(S313) 후, 상기 학습부(20)에서 선택된 그룹에 대응하는 분할 운전 웨이블릿 데이터만을 선택하여 출력하는 필터링 과정을 수행한다(S315).When the divided driving data is generated, the
상기 수명 예측부(50)는 상기 필터링된 분할 운전 웨이블릿 데이터를 상기 학습부(20)에서 학습되고 수명 예측 모델 DB(30)로부터 로드된 수명 예측 인공지능 알고리즘에 적용하여(S317), 예측 결과를 출력한다(S319).The
한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.On the other hand, it is common knowledge in the art that the present invention is not limited only to the above-described typical preferred embodiments, but can be improved, changed, replaced, or added in various ways within the scope of the present invention. Those who have will be able to understand it easily. If implementation by such improvement, change, substitution or addition falls within the scope of the appended claims below, the technical idea should also be regarded as belonging to the present invention.
10: 시계열 데이터 DB 20: 학습부
21: 데이터 분할부 22: 군집 가공부
23: 군집화부 24: 최적 군집 선택부
25: 학습 가공부 26: 앙상블 학습부
27: 예측 검증부 30: 수명 예측 모델 DB
40: 운전 데이터 획득부 50: 수명 예측부
51: 운전 데이터 분할부 52: 필터링부
53: 예측부 10: Time series data DB 20: Learning part
21: data division unit 22: cluster processing unit
23: clustering unit 24: optimal cluster selection unit
25: learning processing unit 26: ensemble learning unit
27: prediction verification unit 30: life prediction model DB
40: driving data acquisition unit 50: life prediction unit
51: driving data division unit 52: filtering unit
53: prediction unit
Claims (10)
학습된 수명예측 인공지능 모델을 저장하는 수명예측 모델 DB;
상기 시계열 데이터 DB로부터 상기 시계열 데이터 세트를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 상기 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 상기 수명예측 모델 DB에 저장하는 학습부;
차량으로부터 실시간 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득부; 및
상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리, 상기 학습부에서 선택된 군집에 대응하는 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측부를 포함하되,
상기 학습부는,
상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할부;
상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 가지는 분할 웨이블릿 데이터로 변환하여 출력하는 군집 가공부;
상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집들을 생성하는 군집화부;
상기 군집화부에서 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하여 출력하는 최적 군집 선택부;
상기 선택된 군집 데이터 분할 웨이블릿 데이터와 상기 분할 웨이블릿 데이터로부터 추출된 통계 데이터를 포함하는 학습 데이터를 출력하는 학습 가공부; 및
상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습부를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
a time series data DB for storing time series data sets per cycle for all cycles from the initial time of the vehicle battery having information on the remaining lifespan for each cycle of the vehicle battery according to the driving of the vehicle to the end of the life of the vehicle battery;
Life prediction model DB that stores the learned life prediction artificial intelligence model;
After loading the time series data set from the time series data DB, preprocessing and clustering are performed, the amount of data per cycle among a plurality of clusters generated by clustering is large, the number of data in the cluster is large compared to the total number of data, and data for each cycle is included a learning unit that selects at least one cluster, applies the selected cluster to the life prediction AI model to learn it, and stores the learned life prediction AI model in the life prediction model DB;
a driving data acquisition unit for acquiring and outputting driving data, which is real-time time series data, from a vehicle; and
A life prediction unit that receives driving data from the driving data acquisition unit and predicts the battery life of the vehicle by pre-processing, filtering only driving data corresponding to the cluster selected by the learning unit, and then applying the learned lifespan prediction artificial intelligence model including,
The learning unit,
a data division unit for receiving the time series data and outputting divided time series data which is cut and divided into a size of a unit of a predetermined time interval;
a cluster processing unit that converts the divided time series data into divided wavelet data having frequency domain and time domain information by performing wavelet transformation as the preprocessing unit to output the converted wavelet data;
a clustering unit that clusters the divided wavelet data output from the cluster processing unit to generate a plurality of clustered clusters;
an optimal cluster selection unit for selecting and outputting at least one cluster having a large amount of data per cycle among the plurality of clusters generated by the clustering unit, a large number of data in clusters compared to the total number of data, and including data for each cycle;
a learning processing unit for outputting learning data including the selected cluster data segmentation wavelet data and statistical data extracted from the segmentation wavelet data; and
Vehicle using time series data, characterized in that it includes an ensemble learning unit for learning by applying the learning data to the life prediction AI model of the ensemble method, and storing the learned life prediction AI model in the life prediction model DB Battery life prediction system.
상기 최적 군집 선택부는,
선택된 군집을 일정 비유로 나누어 제1부분과 제2부분으로 나누고, 상기 제1 부분을 학습 가공부로 출력하고,
상기 학습부는,
상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치여부를 판단하고, 상기 일치여부 판단에 따른 상기 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 상기 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증부를 더 포함하되,
상기 최적 군집 선택부는,
상기 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
According to claim 1,
The optimal cluster selection unit,
Divide the selected cluster by a certain analogy, divide it into a first part and a second part, and output the first part to a learning processing unit,
The learning unit,
The divided wavelet data of the second part divided by the optimal cluster selector is received and applied to the life prediction artificial intelligence model learned in the ensemble method to calculate a lifetime prediction value, and the calculated lifetime prediction value and the wavelet of the second part After determining whether or not matching is determined by comparing known life expectancy values for data, and determining whether the matching rate for the entire wavelet data of the second part according to the matching determination is equal to or greater than a preset reference coincidence rate, the coincidence rate is set in advance Further comprising a prediction verification unit for outputting an authentication failure signal to the optimal cluster selection unit if it is less than the reference matching rate,
The optimal cluster selection unit,
A vehicle battery life prediction system using vehicle time series data, characterized in that at least some of the selected clusters are changed when the authentication failure signal is input.
상기 수명 예측부는,
상기 운전 데이터를 입력받아 상기 일정 시간 단위의 크기를 가지는 윈도우 단위로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할부;
상기 분할 운전 데이터를 웨이블릿 변환을 수행한 분할 운전 웨이블릿 데이터를 생성한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링부; 및
필터링된 상기 분할 운전 웨이블릿 데이터를 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측부를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
According to claim 1,
The life expectancy unit,
a driving data dividing unit for receiving the driving data and outputting divided driving data cut by a window having a size of the predetermined time unit;
a filtering unit that generates segmented driving wavelet data obtained by performing wavelet transformation on the segmented driving data, then filters and outputs only segmented driving wavelet data corresponding to a cluster selected by the optimal cluster selector and applied to learning; and
A vehicle battery life prediction system using vehicle time series data, characterized in that it includes a prediction unit for outputting a prediction result for the vehicle battery life by applying the filtered divided driving wavelet data to the learned lifespan prediction artificial intelligence model.
상기 군집 가공부는,
웨이블릿 직교(Wavelet bior1.5)를 적용하여 웨이블릿 변환을 수행하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
According to claim 1,
The cluster processing unit,
A vehicle battery life prediction system using vehicle time series data, characterized in that wavelet transformation is performed by applying wavelet orthogonality (Wavelet bior1.5).
상기 군집화부는 DBSCAN(Density-Based Spacial Clustering of Application with Noise)를 적용하여 밀도 기반의 클러스터링을 수행하여 상기 군집을 추출하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
According to claim 1,
The clustering unit applies density-based spatial clustering of application with noise (DBSCAN) to extract the cluster by performing density-based clustering.
운전 데이터 획득부가 차량으로부터 실시간 사이클에 따른 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득 과정; 및
수명 예측부가 상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리를 수행하고, 상기 학습부에서 선택된 군집에 대응하는 전처리된 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측 과정을 포함하되,
상기 학습 과정은,
상기 학습부가 데이터 분할부를 통해 상기 전처리로서 상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기를 가지는 윈도우로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할 단계;
상기 학습부가 군집 가공부를 통해 상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 포함하는 분할 웨이블릿 데이터를 출력하는 군집 가공 단계;
상기 학습부가 군집화부를 통해 상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집을 생성하는 군집화 단계;
상기 학습부가 최적 군집 선택부를 통해 상기 군집화부에서 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집의 변환 웨이블릿 데이터를 출력하는 최적 군집 선택 단계;
상기 학습부가 학습 가공부를 통해 상기 선택된 군집의 분할 웨이블릿 데이터에 대한 통계 데이터를 생성하고, 상기 통계 데이터와 상기 분할 웨이블릿 데이터를 포함하는 학습 데이터를 출력하는 학습 가공 단계; 및
상기 학습부가 앙상블 학습부를 통해 상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습 단계를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법.
The learning unit is stored in advance from a time series data DB that stores a time series data set for each cycle for the entire cycle from the initial time of the vehicle battery having information on the remaining lifespan for each cycle of the vehicle battery according to the driving of the vehicle to the end of its life. After loading time series data, preprocess and cluster, and select at least one cluster that has a large amount of data per cycle among a number of clusters generated by clustering, a large number of data in clusters compared to the total number of data, and includes data for each cycle a learning process of applying the selected cluster to the lifespan prediction AI model to learn it, and then storing the learned life prediction AI model in the life prediction model DB;
a driving data acquisition process in which the driving data acquisition unit acquires and outputs driving data that is time series data according to a real-time cycle from the vehicle; and
A life prediction unit receives driving data from the driving data acquisition unit, performs preprocessing, filters only the preprocessed driving data corresponding to the cluster selected by the learning unit, and applies it to the learned life prediction artificial intelligence model of the vehicle. including a life prediction process for estimating battery life;
The learning process is
a data division step of the learning unit receiving the time series data as the preprocessing through the data division unit and outputting divided time series data divided into windows having a size of a predetermined time interval unit;
a cluster processing step in which the learning unit performs wavelet transformation on the divided time series data as the preprocessing through the cluster processing unit to output divided wavelet data including frequency domain and time domain information;
a clustering step in which the learning unit clusters the divided wavelet data output from the cluster processing unit through the clustering unit to generate a plurality of clustered clusters;
The learning unit selects, through the optimal cluster selection unit, at least one or more clusters having a large amount of data for each cycle among a plurality of clusters generated by the clustering unit, a large number of data in a cluster compared to the total number of data, and including data for each cycle, and the selected cluster an optimal cluster selection step of outputting transformed wavelet data of ;
a learning processing step of generating, by the learning unit, statistical data for the segmented wavelet data of the selected cluster through the learning processing unit, and outputting learning data including the statistical data and the segmented wavelet data; and
An ensemble learning step of applying the learning data to the lifespan prediction AI model of the ensemble method by the learning unit through the ensemble learning unit to learn, and storing the learned lifespan prediction AI model in the life prediction model DB A method of predicting vehicle battery life using vehicle time series data.
상기 최적 군집 선택 단계는,
학습부가 최적 군집 선택부를 통해 최적의 군집을 선택하는 선택 단계;
선택된 군집을 일정 비유로 나누어 제1부분 및 제2 부분으로 나누는 분리 단계;
상기 제1 부분의 분할 웨이블릿 데이터는 학습 가공부로 출력하고, 제2 부분의 분할 웨이블릿 데이터는 예측 검증부로 출력하는 출력 단계; 및
상기 학습부가 상기 최적 군집 선택부를 통해 상기 예측 검증부로부터 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 선택 군집 변경 단계를 포함하되,
상기 학습 과정은,
상기 학습부가 예측 검출부를 통해 상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치 여부를 판단하고, 상기 일치여부 판단에 따른 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증 단계를 더 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법.
8. The method of claim 7,
The optimal cluster selection step is
a selection step in which the learning unit selects an optimum cluster through an optimum cluster selection unit;
a separation step of dividing the selected cluster into a first portion and a second portion by a predetermined analogy;
an output step of outputting the divided wavelet data of the first part to the learning processing unit and outputting the divided wavelet data of the second part to the prediction verification unit; and
a selection cluster change step of changing, by the learning unit, at least some of the selected clusters when an authentication failure signal is input from the prediction verification unit through the optimal cluster selection unit,
The learning process is
The learning unit receives the divided wavelet data of the second part divided by the optimal cluster selection unit through the prediction detection unit and applies it to the life prediction artificial intelligence model learned in the ensemble method to calculate a lifetime prediction value, and calculate the calculated lifetime prediction value After determining whether or not the match is determined by comparing the predicted lifetime of the wavelet data of the second part with the wavelet data of the second part, the coincidence rate for the entire wavelet data of the second part according to the match determination is greater than or equal to a preset reference coincidence rate. , A prediction verification step of outputting an authentication failure signal to the optimal cluster selector when the matching rate is less than or equal to a preset reference matching rate.
상기 수명 예측 과정은,
상기 수명 예측부가 운전 데이터 분할부를 통해 상기 운전 데이터를 입력받아 상기 일정 시간 단위 크기를 가지는 윈도우로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할 단계;
상기 수명 예측부가 필터링부를 통해 상기 분할 운전 데이터를 웨이블릿 변환을 수행한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링 단계; 및
상기 수명 예측부가 상기 필터링부를 통해 필터링된 상기 분할 웨이블릿 운전 데이터를 예측부를 통해 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측 단계를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법.8. The method of claim 7,
The life expectancy process is,
a driving data dividing step of the life prediction unit receiving the driving data through the driving data dividing unit and outputting divided driving data cut into a window having the predetermined time unit size;
a filtering step of filtering and outputting only the segmented driving wavelet data corresponding to the cluster selected by the optimal cluster selector and applied to learning after the life prediction unit performs wavelet transformation on the segmented driving data through the filtering unit; and
and a prediction step of outputting a prediction result for the life of the vehicle battery by the life prediction unit applying the divided wavelet driving data filtered through the filtering unit to the learned lifespan prediction artificial intelligence model through the prediction unit A method of predicting vehicle battery life using vehicle time series data.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200091415A KR102440442B1 (en) | 2020-07-23 | 2020-07-23 | Vehicle battery life prediction system using vehicle time series data and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200091415A KR102440442B1 (en) | 2020-07-23 | 2020-07-23 | Vehicle battery life prediction system using vehicle time series data and method thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220012534A KR20220012534A (en) | 2022-02-04 |
KR102440442B1 true KR102440442B1 (en) | 2022-09-06 |
Family
ID=80267607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200091415A KR102440442B1 (en) | 2020-07-23 | 2020-07-23 | Vehicle battery life prediction system using vehicle time series data and method thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102440442B1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230166196A (en) | 2022-05-30 | 2023-12-07 | 주식회사 로보볼트 | Method and system for preprocessing battery data for diagnosing condition of battery, and battery condition prediction system |
KR20230168617A (en) | 2022-06-07 | 2023-12-15 | 디티아이코리아(주) | Online management system for personal mobility |
KR20230169491A (en) | 2022-06-07 | 2023-12-18 | 디티아이코리아(주) | Data logging module for personal mobility and Online management system using the same |
CN116593902B (en) * | 2023-07-13 | 2023-10-31 | 中国铁塔股份有限公司江西省分公司 | Fault diagnosis method based on fusion of performance parameters of iron lithium battery into AI model |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014119397A (en) * | 2012-12-18 | 2014-06-30 | Toshiba Corp | Battery state estimation apparatus of secondary battery |
JP2017026616A (en) * | 2015-07-21 | 2017-02-02 | 三星電子株式会社Samsung Electronics Co.,Ltd. | Method and apparatus for estimating state of battery |
CN110794305A (en) * | 2019-10-14 | 2020-02-14 | 北京理工大学 | Power battery fault diagnosis method and system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102357351B1 (en) * | 2015-01-07 | 2022-01-28 | 삼성전자주식회사 | Device and apparatus to estimate state of batter pakc including the plurality of battery cells |
KR101944313B1 (en) | 2018-04-30 | 2019-02-01 | 쌍용자동차 주식회사 | Battery life prediction apparatus |
-
2020
- 2020-07-23 KR KR1020200091415A patent/KR102440442B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014119397A (en) * | 2012-12-18 | 2014-06-30 | Toshiba Corp | Battery state estimation apparatus of secondary battery |
JP2017026616A (en) * | 2015-07-21 | 2017-02-02 | 三星電子株式会社Samsung Electronics Co.,Ltd. | Method and apparatus for estimating state of battery |
CN110794305A (en) * | 2019-10-14 | 2020-02-14 | 北京理工大学 | Power battery fault diagnosis method and system |
Also Published As
Publication number | Publication date |
---|---|
KR20220012534A (en) | 2022-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102440442B1 (en) | Vehicle battery life prediction system using vehicle time series data and method thereof | |
US8972213B2 (en) | Pattern recognition approach to battery diagnosis and prognosis | |
CN113049976A (en) | Vehicle battery health state assessment method and system | |
CN108957331B (en) | Battery performance detection method and battery performance detection system | |
CN111762096A (en) | New energy automobile safety early warning method and system based on artificial intelligence | |
EP3531150A1 (en) | Battery management system | |
CN114114039A (en) | Method and device for evaluating consistency of single battery cells of battery system | |
CN112345956A (en) | Battery pack charge state detection method and device | |
Chen et al. | Practical failure recognition model of lithium-ion batteries based on partial charging process | |
US20230133120A1 (en) | Big-data-based battery diagnostic system and control method therefor | |
CN115327417A (en) | Early warning method and system for abnormity of power battery monomer and electronic equipment | |
CN118311465B (en) | Battery health detection method and device, electronic equipment and storage medium | |
Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
KR20210136496A (en) | System for estimating state of health of battery using big data | |
CN115598531A (en) | Method for estimating state of health of vehicle battery and training method of estimation model thereof | |
CN112748343A (en) | Power battery power boundary detection method and device and electric vehicle | |
CN115544900A (en) | Method for analyzing influence factors of endurance mileage of electric vehicle based on Shap algorithm | |
CN112733426B (en) | Pulse charging frequency optimization method and device for electric automobile | |
CN116804715A (en) | Method for judging reasons for inconsistent occurrence of battery system | |
Zhang et al. | Automatic field data analyzer for closed-loop vehicle design | |
Chen et al. | Lithium-ion Battery State-of-Health Estimation via Histogram Data, Principal Component Analysis, and Machine Learning | |
KR102472735B1 (en) | Artificial intelligence model upgrade system for upgrading AI model of prediction apparatus and method thereof | |
Zhuo et al. | Digital Twin-Based Remaining Driving Range Prediction for Connected Electric Vehicles | |
CN116945907B (en) | New energy electric automobile mileage calculation method and system | |
CN118395310B (en) | Electric automobile power battery fault prediction method and device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |